方 臣， 朱正勇， 陳 曦， 熊前進， 杜翌超， 金 朝， 胡 飛

(1.湖北省地質調查院,湖北 武漢 430034; 2.湖北省地質局 第四地質大隊，湖北 咸寧 437100)

農業(yè)種植與土壤環(huán)境息息相關,良好的土壤生態(tài)環(huán)境是現代農業(yè)生產的物質基礎。傳統(tǒng)的土壤質量調查主要以野外采樣和室內化學分析為主,但不同理化性質的分析方法不盡相同,且調查時間較長,無法滿足動態(tài)監(jiān)測的要求。通過測量土壤光譜反射率來反演土壤的理化性質是一種較為理想的土壤質量評價方法。土壤光譜反射率是指入射在土壤上的某波長電磁波的能量與從該土壤上反射的同一波長電磁波的能量之比值。土壤是一個完整而復雜的生態(tài)系統(tǒng),不同成分的土壤物理化學性質存在差異,導致吸收、反射光譜的特性不盡相同,根據這一特性可進行土壤成分的分析。土壤光譜分析技術具有低成本、高效率、廣覆蓋、動態(tài)及時等特點,為土壤生態(tài)環(huán)境信息監(jiān)測提供了更為高效的技術手段。

土壤光譜研究起源于遙感技術的發(fā)展,并隨著遙感技術的進步日趨完善。利用反射光譜技術測量土壤理化性質的研究可以追溯到19世紀20—30年代,該時期的研究主要集中在土壤波譜等地物波譜的差異性研究,根據其不同反射特性進行地物的探測和識別。19世紀60年代中期開始，相關研究蓬勃發(fā)展,Obukhov等[1]研究土壤組分與反射率的關系,并由此提出利用土壤反射光譜進行土地調查的可能性；Bowers等[2]研究顯示土壤濕度以及土壤顆粒對土壤光譜有影響；Condit[3]通過測量美國多個地區(qū)共計160個土壤樣品的土壤光譜數據,利用光譜反射率特性成功將它們進行了分類；Stoner等[4]利用光譜儀建立了美國39個州和巴西境內的485個土壤樣品室內光譜數據庫(波段范圍為0.52～2.36 μm)。1993年,便攜式野外光譜儀問世,開始被廣泛地應用于土壤光譜的研究中。也有大量學者開展土壤光譜研究,戴昌達[5]總結了中國主要土壤類型的光譜特征,把中國主要土壤光譜反射特性劃分為四種類型,該分類對中國土壤分類研究具有一定的指導意義；朱永豪等[6]研究了黃棕土壤類型在不同的濕度環(huán)境下光譜反射率靈敏度；徐彬彬等[7]研究了有機質、土壤水分等在特定波段內的響應特征。以上的研究都表明,土壤的理化性質如有機質、鐵氧化物、重金屬等含量可以通過土壤光譜直接或間接定量研究。隨著近年來高光譜遙感技術和計算機算法的飛速發(fā)展,土壤理化性質的光譜定量反演研究迎來新的高潮。

不同的土壤其物理結構和化學特性都有所差異,會影響土壤的反射光譜特性,同時也是土壤類型鑒定和土壤質量監(jiān)測的依據。以往的研究證實，土壤有機質含量、含水量、氧化鐵含量、機械組成、母質、土壤顏色、土壤質地以及表面粗糙度等都會對土壤反射光譜產生影響。本文結合生產應用的實際,主要對土壤有機質、全氮、含水量、氧化鐵、重金屬五個方向的光譜特征及定量反演研究成果進行綜述。

1 土壤高光譜數據獲取、處理與分析方法

1.1 土壤光譜獲取

1.1.1土壤樣品制備

根據研究需要在測區(qū)內采取相應間隔的土壤樣品,經過加工的土壤樣品。土壤樣品的制備沒有統(tǒng)一標準。一般來說,土壤樣品通常采集地表0～20 cm的土樣,剔除大的根系等雜物,混合后,置于實驗室風干、研磨。有機質、氮素樣品過0.15 mm篩用于光譜測試；氧化鐵含量及重金屬樣品分成兩份,過2 mm篩用于光譜測試,過0.15 mm篩用于含量分析；含水量樣品過2 mm篩,分別置于器皿中,依次緩注入不同水量,待表層的自由水消失后進行測量[8]。此外,在部分遙感影像反演及對應的同步地物光譜測量中,土樣直接采用原狀土,不加任何處理。

1.1.2光譜數據獲取

土壤光譜測量主要通過野外和室內兩種途徑獲取。常用的儀器有ASD Field-Spec3、ASD pro FR、FTIR、Headwall Photonics HS-VNIR、PerkinElmer Lambda 900、VIS-NIR等,根據研究內容的不同選擇合適的波長范圍、波段數和光譜分辨率。在測量中,用鹵素燈以一定角度照射土壤樣品,及時進行白板校正,根據光譜儀視場角確定距離土樣的距離,通常采取多角度、多次測量的方法獲取均值數據。

1.2 土壤光譜處理

在獲取土壤光譜數據后,通常需要對光譜數據進行前期預處理,一般采取光譜平滑去噪和光譜變換處理方法。光譜平滑去噪主要是采用加權移動平均法或包絡線消除法抑制毛刺和陡坎等噪聲波段,比有助于特征波段的提取。光譜變換主要是將原始光譜數據進行數學轉換,形成新的波段數據,可以有效地顯示光譜曲線的吸收特征和反射特征,增強相似光譜之間的差別,增強原始光譜曲線的特征[9]。土壤光譜處理后突出的光譜特征量為下一步開展的反演建模和定量分析提供良好的數據支撐,是光譜定量化分析的基礎。

1.3 土壤光譜建模

土壤光譜分析的關鍵是要建立預測效果優(yōu)秀的定量模型,常用的建模方法包括主成分回歸法(PCR)、多元逐步回歸法(MSR)、偏最小二乘回歸法(PLSR)、BP神經網絡法(BPNN)等。主成分回歸法利用主成分分析將自變量數據組成為多個相互無關的新變量,選取盡可能少的組合變量代表原有自變量信息,再與因變量建立回歸方程。多元逐步回歸法基本思路是將全部變量按照重要性逐步導入回歸方程,利用統(tǒng)計量選擇或剔除自變量,建立回歸方程。偏最小二乘回歸法集成了典型相關分析、主成分分析和線性回歸分析的優(yōu)點,實現了數據結構的簡化,良好地解決了自變量間多重共線性問題,適用于變量間高度相關及變量數超過樣本數的情況[10]。BP神經網絡法在神經元響應函數連續(xù)可微的條件下,利用誤差的反向傳播建立模型,優(yōu)點是不需要先驗知識,只需給出對象的輸入、輸出數據,通過網絡自身的學習功能就可以實現非線性映射的問題,在一定程度上提高了算法的精度[11]。

2 土壤組分信息高光譜反演建模應用

2.1 高光譜土壤有機質反演建模應用

有機質是土壤結構的重要組成成分,是植物獲取營養(yǎng)的源泉,土壤有機質含量的多少是衡量土壤肥力高低的一個重要指標,所以測定有機質含量對于了解土壤肥力狀況有著重要的意義[12]。土壤有機質的光譜特征及含量估測研究主要是利用土壤有機質在可見光和近紅外波段下獨特的光譜特性,分析土壤有機質含量實測值與光譜的線性或曲線關系,利用定量提取模型建立土壤光譜反射特性與土壤有機質含量之間的響應關系,最終實現通過測定土壤的光譜反射率確定土壤有機質含量。 Mathews等[13]通過對比土壤樣品和標準黏土礦物的光譜反射曲線,發(fā)現土壤有機質在0.5～1.2 μm波長范圍內反射率影響較明顯。Krishnan等[14]通過研究4種不同類型土壤的光譜曲線,發(fā)現有機質引起的吸收峰主要集中于可見光區(qū)域(0.38～0.78 μm),該區(qū)域是有機質含量估測的診斷波段。徐彬彬等[15]通過采集分析中國南疆72個土壤光譜數據,發(fā)現在0.6 μm波長附近的弓曲差與有機質含量呈負相關性。彭玉魁等[16]采用近紅外光譜(0.78～1.1 μm)分析法,對中國黃土區(qū)土壤含水量、有機質和全氮含量進行評價分析,認為水分是決定土壤光譜特征差異的主要因素。沙晉明等[17]分析了8種不同環(huán)境下多個層位的土壤光譜特征,發(fā)現土壤有機質含量在紫外波段的0.376 μm波長附近和可見光波段的0.616 μm、0.724 μm波長附近呈負相關性。

上述研究表明,土壤有機質含量與土壤光譜反射率的研究主要集中在可見光—近紅外波段(0.35～1 μm)。盡管光譜特征波段及診斷參數因土壤類型的不同而存在差異性,但在一般情況下,土壤光譜反射率隨著有機質含量的增加而降低,根據該特征可以利用土壤有機質的光譜特征來進行土壤有機質含量反演研究。在掌握土壤反射光譜特征響應波段和參數的基礎上,大多釆用統(tǒng)計的方法,如相關分析、逐步回歸以及偏最小二乘回歸等，來構建定量提取模型,但不同區(qū)域的土壤樣品選取的特征波段和建立的反演模型存在差異,需要進行大量的試驗來驗證和評價。

2.2 高光譜土壤全氮反演建模應用

全氮含量是衡量土壤肥力的重要指標,實時土壤氮素含量監(jiān)測可以為農業(yè)管理提供服務,是現代精細農業(yè)重要的研究方向之一。土壤全氮的光譜特征及含量估測研究主要選用紅外波段光譜信息進行定量反演,一類是直接反演,即分析土壤全氮含量實測值與光譜的線性或曲線關系,利用定量提取模型建立土壤光譜反射特性與土壤全氮含量之間的響應關系,最終實現通過測定土壤的光譜反射率確定土壤全氮含量；另一類是間接反演,該方法主要基于土壤氮素與土壤有機質的強相關性,建立某種相關關系模型來實現間接估測。自1986年Dalai等[18]探索性研究土壤光譜與土壤氮素之間的關系,利用紅外光譜法預測土壤全氮含量以來,該技術一直是土壤定量遙感的重要方法。Couillard等[19]選擇反射率光譜為0.4～2.5 μm的土壤樣本估測美國密歇根州土壤全氮含量,取得較好成果。Reeves等[20]研究發(fā)現土壤類型差異顯著影響土壤全氮預測精度。Chang等[21]利用偏最小二乘法建立了土壤全氮含量光譜估測模型,認為估算土壤中全氮含量不是基于氮與有機質的相關性,而是基于土壤中氮含量與光譜之間的獨立響應。徐永明[22]利用室內土壤高光譜反射率,指出氮素含量的敏感波譜帶為2.16～2.28 μm和2.44～2.47 μm,并運用偏最小二乘回歸等方法構建了含量預測模型。李偉等[23]對比研究了偏最小二乘法和神經網絡法構建的預測土壤堿解氮含量的近紅外光譜分析模型,認為神經網絡模型預測效果更好。盧艷麗等[24]利用光譜指數建立了中國東北黑土的全氮含量估測模型,結果表明基于0.45 μm和0.55 μm構建的歸一化光譜指數能較好地估測土壤全氮含量。張雪蓮等[25]利用偏最小二乘法分別建立了5種不同類型的土壤在不同深度的全氮含量光譜估測模型,認為模型受土壤類型的影響較大,基于某地區(qū)建立的模型用于另一地區(qū)的土壤樣品預測時存在較大的局限性。

上述研究表明,利用光譜分析技術預測土壤全氮含量是可行的,具有廣闊的發(fā)展前景。然而,從當前的研究成果來看,不同類型土壤光譜差異較大,土壤全氮含量與光譜之間是否存在獨立響應機制還需進一步研究。此外，針對不同類型土壤的全氮含量對比研究還較少。

2.3 高光譜土壤含水量反演建模應用

含水量在土壤形成過程中起著極其重要的作用,是植物生長發(fā)育的關鍵因素之一。土壤含水量的光譜特征及含量估測研究主要是利用土壤含水量在可見光—近紅外、熱紅外及微波波段的光譜特性,分析土壤含水量實測值與光譜曲線的相關關系,利用定量提取模型建立土壤光譜反射特性與土壤含水量之間的響應關系,最終實現通過測定土壤的光譜反射率確定土壤含水量。目前,土壤含水量的預測方法是通過獲取含水量的敏感波段,建立土壤的光譜特征與土壤含水量之間的多元線性回歸模型,常用的模型算法有偏最小二乘、支持向量機等算法[26]。Bowers等[2]研究發(fā)現在0.4～2.5 μm波段內,土壤濕度的增加會引起土壤反射率的降低,土壤反射光譜在1.4 μm、1.9 μm、2.2 μm存在三個吸收帶,并認為1.9 μm是土壤水分特有的吸收波段,該研究成果為土壤水分遙感監(jiān)測研究奠定了基礎。Stoner等[4]指出,隨水分的增加土壤光譜反射率在整個波長范圍內降低,尤其在0.76 μm、0.97 μm、1.19 μm、1.45 μm、1.94 μm和2.95 μm等波段光譜明顯吸收。Muller等[27]研究發(fā)現,當濕度小于田間持水量時,土壤濕度與反射率之間呈較好的指數相關關系,基于這種指數關系,建立了土壤濕度—反射率關系模型。朱永豪等[6]研究了不同濕度條件下黃棕壤光譜反射率的變化特征,發(fā)現在可見光和近紅外波段(0.41～1 μm)內，表層土壤水分含量對土壤光譜反射率有明顯影響,其關系可以擬合為二次回歸曲線。張文群等[28]研究了甘肅地區(qū)5種類型的土壤含水量光譜特征,發(fā)現在0.55～0.95 μm波段內土壤含水量越高其光譜反射率越低。劉偉東[29]進一步探討了土壤含水量的高低與光譜反射率變化幅度的關系,指出當含水量較低時近紅外波段的光譜反射率變化較明顯,含水量較高時可見光波段的光譜反射率變化較明顯,從而建立了兩種不同類型的含水量預測模型。Neema等[30]研究發(fā)現當土壤含水量達到一定閾值時，光譜反射率呈現反向變化特征,據此，劉偉東[29]提出土壤反射率的“臨界值”概念,并建立了相應的土壤含水量反演預測模型。

上述研究表明,土壤光譜反射率可直接反映含水量變化特征,尤其體現在0.76 μm、0.97 μm、1.19 μm、1.45 μm、1.94 μm和2.95 μm等水分吸收波段。

2.4 高光譜土壤氧化鐵反演建模應用

自然界里鐵元素的分布很廣,是土壤中的主要元素之一。眾多學者研究發(fā)現，氧化鐵含量對土壤光譜反射特征影響較大,土壤可見光波段的光譜吸收特征大多是氧化鐵引起,土壤氧化鐵含量的增多會引起光譜反射率的下降[31]。Obukhov等[1]發(fā)現在0.50～0.64 μm波段內,光譜反射率與鐵含量呈反比,并且利用人工混合的氧化鐵模擬反演預測土壤中氧化鐵含量,取得較好效果。Baumgardner等[32]研究發(fā)現在0.87 μm波長附近，鐵氧化物含量越高，其吸收峰寬度越大。Hunt等[33]研究認為,土壤中Fe2+、Fe3+分別在1.0～1.1 μm、0.9 μm波段附近可以形成較明顯的吸收譜帶。徐彬彬等[7]通過實驗分析了游離氧化鐵對土壤光譜反射率的影響,發(fā)現土壤脫鐵后在0.4～1.1 μm波段反射率增大。彭杰等[34]通過實驗排除土壤有機質的干擾,發(fā)現在0.42 μm、0.48 μm、0.64 μm波段附近的土壤光譜反射率與多種類型的氧化鐵具有很好的相關性。

上述研究表明,鐵氧化物對土壤光譜反射率存在特殊的影響,鐵離子的價態(tài)是影響光譜特征的重要因子。一般情況下,鐵氧化物引起的光譜吸收波段為0.4～1.1 μm波段。隨著土壤中鐵含量的增加,其光譜反射率會隨之下降,根據該特征可以實現其反演研究。

2.5 高光譜土壤重金屬反演建模應用

土壤重金屬元素包括As、Be、Cd、Cr、Cu、Co、Hg、Ni和Zn等。重金屬元素是植物生長所必需的微量元素,但是超過一定濃度就會對農作物產生毒害,并在植物中積累,間接影響人類身體健康,因此開展土壤重金屬污染監(jiān)測及修復工作迫在眉睫。Kooistra等[35]利用可見近紅外反射光譜預測萊茵河河漫灘中Cd和Zn的含量時,發(fā)現Cd、Zn與土壤有機質、黏土礦物含量之間存在正相關關系,通過這種關系間接預測了該地區(qū)Cd和Zn污染。Kemper等[36]利用重金屬元素與Fe的相關性,運用逐步多線性回歸分析和人工神經網絡模型成功預測了西班牙Aznalcollar礦區(qū)土壤中As、Fe、Hg、Pb、S和Sb的含量。吳均昭[37]通過實驗室模擬研究探索土壤重金屬光譜響應機理,發(fā)現重金屬與Fe、有機質的相關性可實現間接預測。解憲麗等[38]研究發(fā)現,在污染嚴重的區(qū)域,土壤重金屬含量與光譜相關性較高,土壤對金屬陽離子的吸附作用較明顯。龔紹琦等[39]通過對濱海鹽土樣品進行光譜測量和重金屬含量化學分析,發(fā)現Cr、Cu、Ni三種重金屬與黏土礦物、鐵錳氧化物、碳酸鹽相關系數較高,利用逐步回歸分析模型取得良好的預測效果。

上述研究表明,土壤重金屬的含量估測研究大致分為兩類：一類是直接建立土壤重金屬含量與光譜反射率之間的響應機制進行模型預測,該方法主要用于土壤重金屬污染嚴重的地區(qū)；另一類是分析土壤組分中有機質、黏土礦物及氧化鐵的光譜特征與重金屬含量的相關性,建立某種相關關系模型實現間接估測。

3 結論

當前，土壤組分信息高光譜分析技術雖取得一定成效,但仍有一些不足：①各研究區(qū)域的土壤理化性質(土壤質地、濕度、有機質、氧化鐵含量及土壤結殼等因素)不同,光譜特征波段及診斷參數也不同,無法形成統(tǒng)一的定量提取模型；②土壤組分信息光譜響應機理尚未完全研究清楚,還需進一步探究。鑒于以上兩方面的不足,目前土壤組分信息高光譜定量提取研究主要利用高光譜遙感圖像或野外高光譜數據進行預測，研究主要集中于土壤類型單一或具有明顯差異的區(qū)域,如中國的東北黑土地分布區(qū)、重金屬污染嚴重的工礦企業(yè)用地等區(qū)域。

盡管受地域限制的土壤光譜數據不盡相同,但是土壤組分與反射光譜之間依然存在相關性,也就是部分土壤組分含量對土壤反射率有著強烈的影響。從土壤組分高光譜信息研究的角度,可以將土壤組分分為兩類：一類是與反射光譜存在響應關系、突出峰值明顯、可以建立關系函數的土壤組分,如有機質、含水量、氧化鐵,稱之為“特定關系土壤組分”；另一類是含量少或本身不存在特征吸收峰的土壤組分,如氮素、重金屬元素,稱之為“無特定關系土壤組分”。分析特定關系土壤組分實測值與光譜曲線的相關關系,通過關系模型提取可以實現特定關系土壤組分定量預測；分析特定關系土壤組分與無特定關系土壤組分之間的附存關系,建立某種相關關系模型可以實現非特定關系土壤組分間接估測。因此,利用土壤組分光譜響應特征獲取土壤理化性質的光譜分析技術是一種理想的土地質量監(jiān)測方法,其低成本、高效率、實時監(jiān)測等特點使其在土壤監(jiān)測與研究領域具有顯著優(yōu)勢。